Qwen: Qwen-Audio-3.0-TTS Plus

Qwen-Audio-3.0-TTS-Plus converte texto escrito em fala expressiva, com a edição Plus centrada na qualidade de síntese, na naturalidade e na expressão vocal detalhada. A Qwen identifica a criação de conteúdos, os audiolivros, a dobragem de filmes e vídeos e a produção profissional de fala como as suas principais aplicações. O perfil atualizado do modelo descreve um suporte mais amplo para idiomas com poucos recursos e dialetos chineses, maior autenticidade dos dialetos e maior controlo da emoção, do tom, da personagem, da velocidade de fala, do volume e do estilo. O produtor também refere melhorias de clareza, resolução e robustez em condições acústicas com ruído ou reverberação.

Plus é a edição desta família de texto para fala centrada na qualidade; Flash é posicionada separadamente para interação em tempo real. Prepare a narração como um guião para ser dito, identificando o público pretendido, o ritmo e a orientação emocional. Para uma passagem de audiolivro, um exemplo de pedido pode especificar articulação clara, ritmo moderado e calor contido; para uma locução de vídeo, pode pedir uma abertura séria seguida de uma explicação mais enérgica. São escolhas de expressão para as palavras fornecidas. O modelo é um sintetizador de fala, e não um serviço de transcrição ou um gerador de uma cena visual completa.

As vozes de sistema oficiais para Plus incluem Long An Ling Xin, descrita como calorosa e empática, e Long An Lu Feng, descrita como luminosa e alegre. Ambas estão indicadas para mandarim e inglês. O produtor também disponibiliza mais de 500 vozes base para esta edição, com amostras para avaliar antes de escolher. Recomenda vozes de sistema para uma síntese mais consistente. Selecione uma voz da lista exata de Plus e faça corresponder o idioma do guião aos idiomas suportados por essa voz; uma voz de Flash não é intercambiável apenas por pertencer à mesma família mais ampla.

O modelo suporta clonagem de voz a partir de uma amostra. Os idiomas documentados para vozes clonadas incluem chinês, inglês, japonês, coreano, russo, francês, alemão, português, tailandês, indonésio, vietnamita, espanhol, italiano, malaio, filipino e árabe. As variantes chinesas incluem mandarim, cantonês, Chongqing, Nordeste, Gansu, Guizhou, Zhejiang, Hebei, Henan, Hubei, Hunan, Jiangxi, Ningbo, Ningxia, Qingdao, Shaanxi, Shanxi, Shandong, Xangai, Sichuan e Yunnan, com os dialetos controlados através de instruções. A tabela do modelo do produtor distingue clonagem de criação de voz a partir de uma descrição textual: a clonagem é suportada em Plus, mas esse modo separado de desenho de voz não é.

Uma referência adequada para clonagem contém fala clara a uma velocidade normal, sem música, ruído de fundo, outros falantes em simultâneo ou canto. O produtor recomenda 10–20 segundos e permite até 60 segundos, num ficheiro não superior a 10 MB. Os formatos de referência são WAV de 16 bits, MP3 e M4A, com uma frequência de amostragem mínima de 16 kHz. São necessários pelo menos cinco segundos de fala contínua e clara, e as pausas restantes não devem ultrapassar dois segundos. Em estéreo, apenas o primeiro canal é processado. O identificador de voz criado fica associado a Plus e é usado na síntese quando estiver pronto; reproduzir a mesma referência através de Flash requer uma voz Flash criada separadamente.

As instruções em linguagem natural podem moldar o tom, o ritmo, a emoção e o timbre tanto das vozes de sistema como das clonadas. Use descrições audíveis concretas em vez de um pedido vago de uma boa voz. As etiquetas de emoção inseridas no guião podem definir um estilo, e as etiquetas de efeitos vocais podem inserir um efeito num ponto escolhido. Por exemplo, [serious] altera a expressão que se segue, enquanto [sighing] insere um suspiro sem alterar o estilo emocional envolvente. As etiquetas de controlo aplicam-se até à etiqueta de controlo seguinte ou à segmentação automática de frases. Esta funcionalidade baseada em etiquetas está documentada apenas para streaming unidirecional, pelo que tem um âmbito diferente das instruções usadas com entrada de texto bidirecional.

As opções de saída do produtor são PCM, WAV, MP3 e Opus, com frequências de amostragem indicadas de 8 000, 16 000, 22 050, 24 000, 44 100 e 48 000 Hz. MP3 e 22 050 Hz são as predefinições documentadas. O volume pode ser definido de 0 a 100, e a velocidade e a altura tonal de 0,5 a 2,0; MP3 e Opus também permitem uma taxa de bits de 6 a 510 kbps. Escolha a representação necessária para reprodução ou edição e mantenha essas definições consistentes entre as secções de uma peça mais longa. A saída em streaming inclui frames de áudio e metadados das frases, com marcas temporais por palavra disponíveis para vozes elegíveis, incluindo vozes clonadas.

O fluxo documentado de entrada de texto por WebSocket permite 20 000 caracteres por mensagem e 200 000 caracteres acumulados e exige um intervalo entre envios não superior a 23 segundos. Pode receber um guião completo ou segmentos de texto ordenados e terminar quando a entrada estiver concluída. O produtor também documenta o cancelamento do turno de síntese atual. São limites e comportamentos desse protocolo, e não um limite universal de duração gerada. Para uma narração longa, organize o guião em secções coerentes e preserve a ordem e o texto junto do áudio resultante, para permitir uma montagem e revisão consistentes.

Para a pronúncia, o produtor fornece indicações do idioma de destino, anotações pinyin e substituições de texto para corrigir leituras indesejadas de algarismos, abreviaturas, símbolos ou palavras. SSML é um modo de marcação separado com restrições de elegibilidade: a documentação Qwen suporta-o para vozes clonadas em chamadas sem streaming ou com streaming unidirecional, com apenas um envio de texto quando está ativado. Não estabelece SSML para todas as vozes de sistema nem para streaming bidirecional. Um fluxo Plus prático começa com uma voz compatível e um guião concluído, acrescentando depois escolhas precisas de expressão e pronúncia para a passagem a narrar.